Datos que ya tienes pero no estás usando en mantenimiento y FM

Las organizaciones suelen generar datos continuamente: cuando se reporta una avería se queda una huella (qué equipo, cuándo, por qué, cuánto duró), al reparar se registra personal, repuestos y tiempo, y en cada rutina se anota cada inspección o calibración. Sin embargo, tras cerrar cada incidencia, estos datos a menudo solo sirven para archivar o justificar el trámite. El verdadero valor está en la agregación y el análisis, no en el registro aislado. En España, la digitalización del mantenimiento es una prioridad creciente: el observatorio DBK/EuroFM destaca el “auge de plataformas inteligentes, IoT y tecnología IA para la gestión de edificios y activos”. Aun así, existe una clara brecha: el 61% de las empresas investiga IA para mantenimiento, pero solo el 27% la aplica, y el 76% aún no la usa. Esto refleja que, aunque fluye mucha información operativa, faltan estructuras para compartirla: el 73% de empresas encuestadas por McKinsey encuentra difícil contratar técnicos, y apenas el 55% documenta formalmente el saber-hacer del personal. En consecuencia, el conocimiento crítico permanece a menudo en la cabeza de unos pocos y los datos se almacenan en silos desconectados.

Cada intervención correctiva o parada deja un registro: el activo afectado, la causa aparente, el impacto en la producción y el tiempo detenido. Estos históricos de fallos son oro puro para la planificación, pero rara vez se aprovechan. En la práctica, suelen consultarse solo al repetir un fallo o durante auditorías de cierre, perdiendo la oportunidad de anticipar problemas recurrentes. Un análisis sistemático de los historiales puede revelar, por ejemplo, que cierto motor o unidad de climatización presenta una tasa de fallo muy superior a la esperada.

McKinsey señala que muchas compañías podrían ajustar sus programas preventivos mediante análisis de frecuencias y criticidad de fallos: las organizaciones con mantenimiento centrado en fiabilidad dedican un 70–85% de las horas a tareas preventivas, pero la media global es sólo del 51%. Esto indica que muchas empresas están trabajando sobre las piezas equivocadas o con frecuencias inapropiadas. Al cruzar los registros de averías con información de contexto (como el uso real del activo o su antigüedad), es posible identificar activos estructuralmente problemáticos y reformular su ciclo de mantenimiento. Por ejemplo, un estudio detectó que un hospital tipo con 500 camas sufría un 15% de downtime mensual y gastaba 450.000€ anuales en correctivos; al implementar IA predictiva sobre equipos críticos (HVAC, generadores, equipos médicos) se esperaban reducciones del 60–75% de esos paros y ahorros del 30–40% en costes correctivos. En resumen, el histórico de averías ya almacenado puede ser la base para pasar de un mantenimiento reactivo a uno predictivo y proactivo.

La mayoría de las empresas conoce su gasto total en mantenimiento, pero no se investiga en qué parte del presupuesto se concentra ese gasto. Al vincular mano de obra, materiales y paradas asociadas a cada equipo o instalación, aparece un diagnóstico mucho más preciso. Por ejemplo, puede ocurrir que un conjunto de bombas hidráulicas de una línea apenas produzca el 10% de la salida de la planta pero absorba el 25% del presupuesto de repuestos. ¿Conviene mantenerlas o invertir en renovación? Un análisis basado en datos respondería esa pregunta. El mantenimiento puede suponer entre el 20% y el 50% del gasto operativo total, por lo que cualquier ahorro oculto es significativo. Sin embargo, la barrera común es la dificultad de extraer reportes detallados de los sistemas contables o la ausencia de etiquetado de costos en el GMAO.

Superar este obstáculo requiere unificar fuentes financieras con el repositorio de activos y órdenes. La visibilidad resultante permite, por ejemplo, priorizar la renovación de equipos de alto coste constante (donde más vale un mal arreglo que una avería) frente a aquellos en los que vale la pena gastar un poco más de tiempo para extender su vida.

Un error habitual es aplicar planes preventivos idénticos a activos que no trabajan con la misma intensidad. Sin embargo, sensores de flujo, contadores de ciclos o registros de ocupación indican la verdadera carga de cada elemento. Muchas empresas mantienen igual unas máquinas que operan a plena capacidad y otras que casi no se usan. El cruce de datos de uso con el plan de mantenimiento revela estas incongruencias: activos infrautilizados requieren menos atención, y activos sobreutilizados merecen mayor prioridad.

Por ejemplo, si un generador de emergencia se enciende solo un par de veces al año pero tiene mantenimiento anual completo, se está invirtiendo mucho tiempo (y paradas) para proteger un recurso de baja criticidad operacional. Invertir ese esfuerzo en otro activo más crítico mejora la disponibilidad general sin incrementar el presupuesto. Vincular datos de consumo o utilización (e.g: horas de equipo, flujos de pacientes en un hospital o productividad de línea en fábrica) es por tanto clave para alinear el mantenimiento con la operación real.

No todos los incidentes que se registran merecen un tratamiento de urgencia, pero incluso las “averías menores” suelen repetirse bajo el mismo esquema. Una fuga de agua ligera, un sensor que salta en idas y venidas, un martillo automático que requiere ajustes periódicos; aislados parecen casos menores, pero en conjunto pueden formar un patrón de degradación. Una analítica de datos cruzando estas incidencias repetitivas permite identificar activos con indicios de fallo inminente. En vez de esperar a la avería grave, el servicio técnico puede intervenir en fase preventiva intermedia. La falta de explotación de estos registros menores –que en muchos sistemas se descuentan como “tareas de cierre rápido”– es una barrera frecuente: sin algoritmos o responsables que correlacionen eventos, los patrones permanecen invisibles. Al integrarlos al análisis global, aumentan las oportunidades de mantenimientos basados en condición y se reduce el riesgo de paradas inesperadas.

Consideremos un hospital público con 500 camas que registró en un año los siguientes datos: los respiradores de UCI acumularon 20 intervenciones correctivas (350h de downtime, 120.000€ en repuestos), mientras que un sistema de aire comprimido de uso intermitente presentó 5 eventos menores (30h de downtime, 15.000€).

Cruzando con datos de uso, se vio que los respiradores operaban al 85% de su capacidad (alta demanda en emergencias) y los compresores solo al 20%. Se tomaron decisiones distintas: para los respiradores (activos críticos) se aumentó la frecuencia preventiva y se dotó de sensores de vibración y presión, anticipando fallos con alertas a 5–10 días; esto redujo los paros inesperados en aproximadamente un 60%. En cambio, para el compresor infrautilizado se relajó el plan de revisiones (redujo intervenciones un 30%) y se reasignaron recursos a equipos de mayor criticidad.

De igual forma, al analizar intervenciones se detectó que varios desfibriladores del área quirúrgica fallaban después de horas de funcionamiento intensivo. Decidieron sustituir dos unidades con alto coste de reparación por modelos nuevos, basándose en que el coste de mantenimiento anual superaba el 30% del valor residual del activo. Así, a través del cruce de históricos de fallos, tiempos, costes por activo y uso real, el hospital cambió un plan preventivo poco efectivo en UCI y programó inversiones objetivas en equipos.

El resultado fue una reducción del downtime entre el 60-75% y un ahorro del 30-40% en costes de mantenimiento correctivo, sin necesidad de expandir plantilla ni subcontrataciones adicionales.